{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,7,10]]，“日期时间”：“2024-07-10T05:49:34Z”，“时间戳”：1720590574838}，“出版商位置”：“查姆”，“参考计数”：41，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030585648”，“类型”：”打印}，{“值”：“9783030585655”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“http://www.springer.com\/tdm”}0:00:00Z“，”时间戳“：1577836800000}，”内容版本“：”vor“，“delay-in-days”：0，“URL”：“http:\/\/www.springer.com\/tdm”}，{“start”：{“date-parts”：[[2020,1,1]]，“date-time”：“2020-01-01T00:00:00Z”，“timestamp”：1577836800000}，“content-version”：“tdm”，“delay-in-days“：0，”URL“https:\/\www.springer.com\/tdm”}1,1]]，“日期时间”：“2020-01-01T00:00:00Z”，“时间戳”：1577836800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[2020]]}，”DOI“10.1007\/978-3-030-58565-5_44”，“type”：“book-capter”，“创建”：{“日期部分”：[[2020,11,11]]，“日期时间”：“2020-11-11T12:03:19Z”，“时间戳”：1605096199000}，“页面”：“744-760”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：44，”title“：[”通过学习的梯度下降拟合人体模型“]，”prefix“：”10.1007“，”author“：[{”given“：”Jie“，”family“：”Song“，”sequence“：“第一”、“隶属关系”：[]}，{“given”：“Xu”，“family”：“Chen”，“sequence”：“additional”，“affiliation”：[]}第一页“：”124007“，”doi“：”10.1088\/1361-6420\/aa9581“，“volume”：“33”，“author”：“J Adler”，“year”：“2017”，“unstructured”：“Adler，J.，\u00d6ktem，O.：使用迭代深度神经网络解决病态逆问题。逆Prob.33（12），124007（2017）”，“journal-title”：“逆Prob.”}，{“issue”：“6”，“key”：”44_CR2“doi-asserted-by”：“publisher”，“first-page”：“1322”，“doi”：“10.1109”\/TMI.2018.2 799231英寸，“volume”：“37”，“author”：“J Adler”，“year”：“2018”，“unstructured”：“Adler，J.，\u00d6ktem，O.：学习的原始-对偶重建。IEEE Trans.Med.Imaging 37（6），1322\u20131332（2018）”，“journal-title”：“IEEE Trans.Med.Imagion”}，{“key”：《44_CR3》，“doi-asserted-by”：“crossref”，“非结构化”：“Andriluka，M.，Pishchulin，L.，Gehler，P.，Schiele，B.：二维人体姿势估计：新基准和最新分析。摘自：IEEE计算机视觉和模式识别会议记录，第3686\u20133693页（2014）”，“DOI”：“10.1109\/CVPR.2014.471”}，{“key”：“44_CR4”，“非结构化”：“Andrychowicz，M.，et al.：通过梯度下降学习梯度下降。In:Advances In Neural Information Processing Systems，pp.3981\u20133989（2016）”}，{“key”：“44_CR5”，“doi-asserted-by”：“crossref”，“unstructured”：“Anguelov，D.，Srinivasan，P.，Koller，D.，Thrun，S.，Rodgers，J.，Davis，J.：SCAPE：人物的形状完成和动画。ACM Trans.Graph.（TOG）24，408\u2013416（2005）”，“DOI”：“10.1145\/1073204073207”}，{“key”：“44_CR6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Arnab，A.，Doersch，C.，Zisserman，A.：利用时间背景进行野外三维人体姿势估计。摘自：IEEE计算机视觉和模式识别会议论文集，第3395\u20133404（2019）页”，“DOI”：“10.1109\/CVPR.2019.00351”}，{“key”：“44_CR7”，“series-title”：“计算机科学课堂笔记”，“DOI-asserted-by”：“publisher”，“first page”：“561”，“DOI”：“10.1007\/978-3-319-46454-1_34”，“volume-title”：“Computer Vision\u2013 ECCV 2016”，“author”：“F Bogo”，”year“：”2016“，”unstructured“：“Bogo，F.，Kanazawa，A.，Lassner，C.，Gehler，P.，Romero，J.，Black，M.J.：保持SMPL：从单个图像自动估计3D人体姿势和形状。收录：Leibe，B.，Matas，J.、Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9909卷，第561\u2013578页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46454-1_34“}，{”key“：”44_CR8“，”doi-asserted-by“：”crossref“，”unstructured“：”Cao，Z.，Hidalgo，G.，Simon，T.，Wei，S.E.，Sheikh，Y.：OpenPose：使用部分亲和字段的实时多人2D姿势估计。arXiv预印本arXiv:1812.08008（2018）“，”doi“：”10.1109\/CVPR.2017.143“}”，{“key”：“44_CR9“，”doi-asserted-by“：”crossref“，”unstructured“：”Flynn，J.，et al.：DeepView：学习梯度下降的视图合成。arXiv预印本arXiv:1906.07316（2019）“，“DOI”：“10.1109\/CVPR.2019.00247”}，{“key”：“44_CR10”，“unstructured”：“Guan，P.，Weiss，A.，Balan，A.O.，Black，M.J.：从单个图像估计人类形状和姿势。摘自：2009 IEEE第十二届国际计算机视觉会议，第1381\u20131388页。IEEE（2009）“}，{“key”：“44_CR11”，“doi-asserted-by”：“crossref”，“unstructured”：“Guler，R.A.，Kokkinos，I.：HoloPose：整体三维人体重建。摘自：IEEE计算机视觉和模式识别会议论文集，第10884\u201310894（2019）页”，“doi”：“10.1109\/CVPR.2019.01114”}，}“key:”44_CR12“，“unsructured“：”Hadamard，J.：《解决问题的方法》（Sur les probles\u00e8mes aux d\u00e9riv\u00e9 es partielles et leur implication physique）。普林斯顿大学公报，第49\u201352（1902）页“}，{“key”：“44_CR13”，“doi-asserted-by”：“crossref”，“unstructured”：“Hasler，N.、Ackermann，H.、Rosenhahn，B.、Thorm\u00e4hlen，T.、Seidel，H.P.：根据图像集对穿着者的多线性姿势和体型估计。2010年IEEE计算机学会计算机视觉和模式识别会议，第1823\u20131830页。IEEE（2010）”，“DOI”：“10.1109\/CVPR.2010.5539853”}，｛“key”：“44_CR14”，“nonstructured”：“Ionescu，C.，Papava，D.，Olaru，V.，Sminchisescu，C.：Human3.6M：自然环境中三维人类传感的大规模数据集和预测方法。IEEE Trans.Pattern Anal.Mach.Intell.36（7），1325\u20131339（2013）”}，｛“key”：“44_CR15”，“DOI断言为”：“crossref“，”unstructured“：”Joo，H.，Simon，T.，Sheikh，Y.：总捕获：用于跟踪面部、手和身体的3D变形模型。摘自：IEEE计算机视觉和模式识别会议论文集，第8320\u20138329页（2018）“，“DOI”：“10.1109\/CVPR.2018.00868”}，{“key”：“44_CR16”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kanazawa，A.，Black，M.J.，Jacobs，D.W.，Malik，J.：人体形状和姿势的端到端恢复。在：《IEEE计算机视觉与模式识别会议论文集》，第7122\u20137131页（2018），“DOI”：“10.1109\/CVPR.2018.00744”｝，｛“key”：“44_CR17”，“DOI断言”：“crossref”，“非结构化”：“Kanazawa，A.，Zhang，J.Y.，Felsen，P.，Malik，J.：从视频中学习3D人体动力学。摘自：IEEE计算机视觉和模式识别会议记录，第5614\u20135623页（2019）“，“DOI”：“10.1109\/CVPR.2019.00576”}，{“key”：“44_CR18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kolotouros，N.，Pavlakos，G.，Black，M.J.，Danilidis，K.：学习通过循环中的模型构建3D人体姿势和形状。摘自：IEEE计算机视觉国际会议论文集，第2252页\u20132261（2019）“，“DOI”：“10.1109”\/ICCV.2019.00234“}，{“key”：“44_CR19”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kolotouros，N.，Pavlakos，G.，Danilidis，K.：用于单图像人体形状重建的卷积网格回归。摘自：IEEE计算机视觉和模式识别会议论文集，pp.4501\u20134510（2019）“，“DOI”：“10.1109\/CVPR.2019.00463”}，{“key”：“44_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Lassner，C.，Romero，J.，Kiefel，M.，Bogo，F.，Black，M.J.，Gehler，P.V.：团结人民：关闭3D和2D人类表达之间的循环。摘自：IEEE计算机视觉和模式识别会议论文集，第6050\u20136059页（2017）“，”DOI“：”10.1109\/CVPR.2017.500“}，{“issue”：“6”，“key”：“44_CR21”，“DOI-asserted-by”：“publisher”，“first-pages”：“220”，“DOI”：“10.1145\/2661229.2661273”，“volume”：”33“author”：“M Loper”，“year”：“2014”，“unstructured”：“Loper，M.，Mahmood，N.，Black，M.J.：运动捕捉：从稀疏标记中捕捉运动和形状。ACM事务处理。图表。（TOG）33（6），220（2014）“，“日记标题”：“ACM Trans。图表。（TOG）“}，{”issue“：“6”，”key“：“44_CR22”，”doi-asserted-by“：”publisher“，”first page“：”248“，”doi“：”10.1145\/2816795.2818013“，”volume“:”34“，”author“：”M Loper“，”year“：”2015“，”unstructured“：”Loper，M.，Mahmood，N.，Romero，J.，Pons-Moll，G.，Black，M.J.：SMPL:一个蒙皮多人线性模型。ACM Trans.Graph.（TOG 6），248（2015）“，“新闻标题”：”ACM事务处理。图表。（TOG）“}，{”key“：”44_CR23“，”doi-asserted-by“：”crossref“，”unstructured“：”Mahmood，N.，Ghorbani，N.；F.Troje，N.、Pons-Moll，G.、Black，M.J.：AMASS：运动捕捉作为曲面形状的存档。摘自：IEEE国际计算机视觉会议（ICCV），2019年10月。https:\/\/amass.is.tue.mpg.de“，”DOI“：”10.1109\/ICCV.2019.00554“}，{”key“：”44_CR24“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“614”，”DOI:“10.1007\/978-3-030-01249-6_37”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“T von Marcard”，“year”：“2018”，“非结构化”：“von Marcard，T.、Henschel，R.、Black，M.J.、Rosenhahn，B.、Pons-Moll，G.：使用IMU和移动相机恢复野外准确的3D人体姿势。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11214卷，第614\u2013631页。查姆施普林格（2018）。https:\/\/doi.org\/10007\/978-3-030-01249-6_37“}，{”key“：”44_CR25“，”doi-asserted-by“：”crossref“，”unstructured“：”Martinez，J.，Hossain，R.，Romero，J.、Little，J.J.：3D人体姿势估计的简单而有效的基准。摘自：IEEE国际计算机视觉会议论文集，第2640\u20132649页（2017）“，”doi“：”10.1109\/ICCV.2017.288“}，{“issue”：“4”，“key”：“44_CR26”，“doi-asserted-by”：“publisher”，“first page”：：“44”，“doi”：“10.1145\/3072959.3073596”，“volume”：”36“，“author”：“D Mehta”，“year”：“2017”，“unstructured”：“Mehta，D.，et al.：VNect:使用单个RGB相机实时三维人体姿势估计。ACM Trans.Graph.（TOG）36（4），44（2017）“，”日志标题“：”ACM事务处理。图表。（TOG）“}，{“key”：“44_CR27”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“首页”：“483”，“doi”：“10.1007\/978-3319-46484-8_29”，“volume-title”：”计算机视觉\u2013 ECCV 2016“，”作者“A Newell”，”年份“2016”：“unstructured”：“Newell，A.，Yang，K.，Deng，J.：用于人体姿势估计的堆积沙漏网络。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9912卷，第483\u2013499页。查姆施普林格（2016）。https:\/\/doi.org\/10007\/978-3-319-46484-8_29“}，{“key”：“44_CR28”，“doi-asserted-by”：“crossref”，“unstructured”：“Omran，M.，Lassner，C.，Pons-Moll，G.，Gehler，P.，Schiele，B.：神经身体拟合：统一深度学习和基于模型的人体姿势和形状估计。摘自：2018年国际3D视觉会议（3DV），第484\u2013494页。IEEE（2018）“，”DOI“：”10.1109\/3DV.2018.0062“}，{”key“：”44_CR29“，”DOI-asserted-by“：”crossref“，”unstructured“：”Pavlakos，G.，et al.：表达性身体捕捉：从单个图像中获取3D手、脸和身体。摘自：IEEE计算机视觉和模式识别会议论文集，第10975\u201310985页（2019）“，“DOI”：“10.1109\/CVPR.2019.01123”}，”{“key“：”44_CR30“，”doi-asserted-by“：”crossref“，”unstructured“：”Pavlakos，G.，Zhu，L.，Zhou，X.，Danilidis，K.：学习从单色图像估计3D人体姿势和形状。摘自：IEEE计算机视觉和模式识别会议记录，第459\u2013468页（2018）“，“DOI”：“10.1109\/CVPR.2018.00055”}，{“key”：“44_CR31”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pishchulin，L.等人：DeepCut：用于多人姿势估计的关节子集划分和标记。摘自：IEEE计算机视觉和模式识别会议记录，第4929\u20134937页（2016）“，“DOI”：“10.1109\/CVPR.2016.533”}，{“key”：“44_CR32”，“unstructured”：“Sigal，L.，Balan，A.，Black，M.J.：区分性和生成性关节姿势与非刚性形状估计相结合。In:Advances In Neural Information Processing Systems，pp.1337\u20131344（2008）“}，{“key”：“44_CR33”，“series-title”：“Counter Notes In Computer Science”，“doi-asserted-by”：“publisher”，“first-page”：“536”，“doi”：“10.1007\/978-3-030-01231-1_33”，“volume-title”：《Computer Vision\u2013 ECCV 2018》，“author”：“X Sun”，“year”：“2018”，“unstructured”：“孙，X.，肖，B.，魏，F.，梁，S.，魏，Y.：整体人体姿势回归。在：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11210卷，第536\u2013553页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01231-1_33“}，{“key”：“44_CR34”，“doi-asserted-by”：“crossref”，“unstructured”：“Tan，V.，Budvytis，I.，Cipolla，R.：3D人体形状和姿势预测的间接深层结构学习（2018）”，“doi”：“10.5244\/C.31.15”}，“key“：”44_CR35“非结构化”：“Tung，H.Y.、Tung，H.W.、Yumer，E.、Fragkiadaki，K.：动作捕捉的自我监督学习。In:Advances In Neural Information Processing Systems，pp.5236\u20135246（2017）“}，{“key”：“44_CR36”，“series-title”：“Counter Notes In Computer Science”，“doi-asserted-by”：“publisher”，“first-page”：“20”，“doi”：“10.1007\/978-3030-01234-2_2”，“volume-title”：Varol，G.等人：BodyNet：三维人体形状的体积推断。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11211卷，第20\u201338页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01234-2_2“}，{“key”：“44_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Varol，G.，et al.：向人造人学习。摘自：IEEE计算机视觉和模式识别会议论文集，第109\u2013117页（2017）”，“doi”：“10.1109\/CVPR.2017.492”}，}“keys”：“44 _CR38”，“doi-asserted-by”，“crossrev”非结构化”：“Xiang，D.，Joo，H.，Sheikh，Y.：单目整体捕捉：在野外摆出面部、身体和手的姿势。摘自：IEEE计算机视觉和模式识别会议记录，第10965\u201310974页（2019）“，“DOI”：“10.1109\/CVPR.2019.01122”}，{“key”：“44_CR39”，“DOI-asserted-by”：“crossref”，“unstructured”：“Xu，Y.，Zhu，S.C.，Tung，T.：DenseRaC：通过密集渲染和比较进行关节3D姿态和形状估计。摘自：IEEE计算机视觉国际会议论文集，第7760\u20137770页（2019）“，“DOI”：“10.1109\/ICCV.2019.00785”}，{“key”：“44_CR40”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zheng，Z.，Yu，T.，Wei，Y.，Dai，Q.，Liu，Y.：DeepHuman：从单个图像进行三维人体重建。摘自：IEEE计算机视觉国际会议论文集，第7739\u20137749页（2019）“，“DOI”：“10.1109\/ICCV.2019.00783”}，{“key”：“44_CR41”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhou，X.，Zhu，M.，Leonardos，S.，Derpanis，K.G.，Danilidis，K.：稀疏与深度的融合：单目视频中的3D人体姿势估计。摘自：IEEE计算机视觉和模式识别会议记录，第4966\u20134975页（2016）“，”DOI“：”10.1109\/CVPR.2016.537“}]，”container-title“：[”Computer Vision\u2013 ECCV 2020“，”计算机科学讲义“]，”original-title”：[]，“link”：[{“URL”：“https:\/\/link.springer.com\/content\/pdf\/10007\/978-3030-58565-5_44“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2021,4,24]]，”date-time“：“2021-04-24T04:23:57Z”，“timestamp”：1619238237000}，“score”：1，“resource”：{“primary”:{“URL”：“https:\/\/link.springer.com//10007\/978-3-030-58565-5_44”}}，”subtitle“：[]，“短标题”：[]，“已发布”：{“date-parts“：[2020]]}，”ISBN“：[”9783030585648“，”978330585655“]，”references-count“：41，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-58565-5_44“，”relation“：{}，“ISSN”：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，“type”:“print”}，{“value”：“1611-3344”349“，”type“：”electronic“}]，”subject“：[]，”published“：{”date-parts“：[[2020]]}，”assertion“：[{”value“：”2020年11月12日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ChapterHistory”，“label”：“Chapter History“}}，{“value”：“ECCV”，“order”：1，“name”:“conference_acrombit”，“tabel”：”conference acronym“，”group“：order“：2，”name“：”conference_name“，”label“：”会议名称“，”group“：“标签”：“会议国家/地区“，”组“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”2020“，”order“：5，”name“:”Conference_year“，”标签“：”会议年“，”group“：会议信息“，”标签“：”会议信息“}}，{“value”：“2020年8月28日”，“order”：8，“name”：“Conference_end_date”，“label”：“会议结束日期”，“group”：{“name”:“ConferenceInformo”，“table”：“Conferency Information”}}会议信息“}}，{“value”：“eccv2020”，“order”：10，“name”：“Conference_id”，“label”：“Conference id”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}}}，{“值”：“Double-blind“，”order“：1，”name“：”type“，”label“：”type“，”group“：同行评审信息（由会议组织者提供）“}}，{“value”：“5025”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”27%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评议信息（由会议组织者提供）“}}，{“value”：“7”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息（由大会组织者提供）”}}external_reviewers_involved“，”label“：”涉及的外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}，”{“value”：“会议实际上是由于新冠肺炎疫情而召开的。”，“order”：10，“name”：“additional_info_on_Review_process”，“label”：“”评审过程附加信息“，”组“：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}]}}